Implementierbare Python -Funktionen schreiben

Anforderungen an die Funktion 'score'

• Es gibt zwei Möglichkeiten, das Funktionsobjekt score hinzuzufügen:
  • explizit, nach Benutzer
  • implizit durch die Methode, die verwendet wird, um die Python als Asset im watsonx.ai Runtime Repository zu speichern
• Die Funktion " score kann einen einzelnen JSON-Eingabeparameter oder zwei Parameter annehmen: Nutzlast und Überbringer-Token.
• Die Funktion score muss ein serialisierbares JSON-Objekt (z. B. Wörterverzeichnisse oder Listen) zurückgeben.

Anforderungen an Scoring-Eingabe

• Die Scoring-Eingabenutzdaten müssen ein Array mit dem Namen values enthalten, wie in diesem Beispielschema gezeigt. Der Parameter input_data ist in den Nutzdaten obligatorisch. Der Parameter input_data kann auch zusätzliche Name/Wert-Paare enthalten.

  {"input_data": [{
     "values": [["Hello world!"]]
                 }]
  }
  

• Die Scoring-Input-Payload muss als Eingabeparameterwert für " score übergeben werden. Auf diese Weise können Sie sicherstellen, dass der Wert des Eingabeparameters score im scoreentsprechend verarbeitet wird.

• Die Scoring-Eingabenutzdaten müssen den Anforderungen für die Eingabe der betreffenden Python-Funktion entsprechen.

• Die Scoring-Eingabenutzdaten müssen ein Array enthalten, das dem Datenschema der Beispieleingabe entspricht.

 {"input_data": [{
    "values": [["Hello, world!"]]
                }]
 }

Beispiel Python (Nutzlast und Token)

#wml_python_function
def my_deployable_function():

    def score(payload, token):

        message_from_input_payload = payload.get("input_data")[0].get("values")[0][0]
        response_message = "Received message - {0}".format(message_from_input_payload)

        # Score using the pre-defined model
        score_response = {
            'predictions': [{'fields': ['Response_message_field'],
                             'values': [[response_message]]
                            }]
        }
        return score_response

    return score

score = my_deployable_function()

Testen Ihrer Python

So können Sie Ihre Python testen:

input_data = { "input_data": [{ "fields": [ "message" ],
                                "values": [[ "Hello, world!" ]]
                               }
                              ]
             }
function_result = score( input_data )
print( function_result )

Er gibt die Nachricht "Hallo, Welt!" zurück.

Bereitstellbare Funktionen über REST-API erstellen

Für REST-APIs muss die Datei bereits die Funktion score enthalten, da die Funktion Python direkt über eine Datei hochgeladen wird. Jeder einzelne Import, der ausgeführt werden muss, um später in der Funktion score verwendet zu werden, kann im globalen Geltungsbereich der Datei ausgeführt werden. Wenn diese Datei als Python-Funktion bereitgestellt wird, werden die im globalen Bereich verfügbaren einmaligen Importe während der Bereitstellung ausgeführt und später bei jeder Vorhersageanforderung einfach erneut verwendet.

Beispielfunktionsdatei score:

Score function.py
---------------------
def score(input_data):
    return {'predictions': [{'values': [['Just a test']]}]}

Beispielfunktion score mit einmaligen Importen:

import subprocess
subprocess.check_output('pip install gensim --user', shell=True)
import gensim

def score(input_data):
    return {'predictions': [{'fields': ['gensim_version'], 'values': [[gensim.__version__]]}]}

Bereitstellbare Funktionen über den Python-Client erstellen

Um eine Python-Funktion als Asset als persistent zu definieren, verwendet der Python-Client die Methode wml_client.repository.store_function. Sie können eine Python auf zwei Arten aufrechterhalten:

• Durch eine Datei, die die Python
• Über das Funktionsobjekt

def my_deployable_function():

    import subprocess
    subprocess.check_output('pip install gensim', shell=True)
    import gensim

    def score(input_data):
        import
        message_from_input_payload = payload.get("input_data")[0].get("values")[0][0]
        response_message = "Received message - {0}".format(message_from_input_payload)

        # Score using the pre-defined model
        score_response = {
            'predictions': [{'fields': ['Response_message_field', 'installed_lib_version'],
                             'values': [[response_message, gensim.__version__]]
                            }]
        }
        return score_response

    return score

function_meta = {
    client.repository.FunctionMetaNames.NAME:"test_function",
    client.repository.FunctionMetaNames.SOFTWARE_SPEC_ID: sw_spec_id
}
func_details = client.repository.store_function(my_deployable_function, function_meta)

score = my_deployable_function()